一种红外图像弱小目标检测方法及系统技术方案

本发明专利技术涉及一种红外图像弱小目标检测方法及系统，本发明专利技术基于视觉注意力机制的红外图像弱小目标检测方法，采用视觉注意力机制特征提取网络提取红外图像特征，多尺度特征融合网络将深层浅层特征图拼接融合减少红外图像中弱小目标的信息丢失，降低红外弱小目标检测的误检率和漏检率，提高网络的鲁棒性。提高网络的鲁棒性。提高网络的鲁棒性。

【技术实现步骤摘要】
一种红外图像弱小目标检测方法及系统


[0001]本专利技术涉及图像目标检测领域，特别是涉及一种红外图像弱小目标检测方法及系统。

技术介绍

[0002]红外弱小目标检测技术是军事目标检测领域中重要的应用技术之一。红外图像中目标的红外辐射穿透力强，红外辐射不容易被云层吸收，不易受天气和环境干扰。红外检测系统具有抗干扰能力强、机型小且便于安装、恶劣环境下能够全天候工作等优点。因此红外弱小目标检测技术被广泛应用于军事目标检测领域。如应用于防空预警、导弹拦截、导弹制导、伪装搜寻、卫星遥感等重要任务。
[0003]目前，红外弱小目标检测传统方法和深度学习方法对大部分红外图像场景具有较高的准确率和较低的漏检率。但是红外弱小目标缺乏颜色、轮廓、纹理等特征，在背景复杂和噪声干扰的情况下，现有红外弱小目标检测方法的漏检率和误检率仍有待进一步降低。
[0004]因此，如何设计一种能够针对复杂背景、光源干扰、噪声干扰等复杂场景下红外弱小目标检测误检率和漏检率高的问题，降低红外弱小目标检测的误检率和漏检率的红外图像弱小目标检测方法及系统成为本领域亟需解决本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种红外图像弱小目标检测方法，其特征在于，包括以下步骤：获取样本红外图像；构建视觉注意力机制特征提取网络；利用所述视觉注意力机制特征提取网络对所述样本红外图像进行特征提取，得到不同尺度的特征图；构建多尺度特征融合网络；利用所述多尺度特征融合网络对所述不同尺度的特征图进行拼接融合，得到多尺度特征融合后的特征图；将所述多尺度特征融合后的特征图传送至输出端进行筛选，得出所述红外图像中弱小目标的预测结果；利用定位损失函数和置信度损失函数计算所述红外图像中弱小目标的预测结果与人工标注的红外图像中真实弱小目标结果的定位损失和置信度损失；基于所述定位损失和所述置信度损失通过反向转播对所述视觉注意力机制特征提取网络和所述多尺度特征融合网络的网络参数进行调整，得到调整后的视觉注意力机制特征提取网络和多尺度特征融合网络；通过所述调整后的视觉注意力机制特征提取网络和多尺度特征融合网络预测目标红外图像中弱小目标的位置。2.根据权利要求1所述的一种红外图像弱小目标检测方法，其特征在于，所述构建视觉注意力机制特征提取网络具体包括：将坐标注意力机制与特征提取网络相结合，得到所述视觉注意力机制特征提取网络；所述坐标注意力机制的公式如式(1)所示：y
c
＝x
c
×
σ(conv(f
h
))
×
σ(conv(f
w
))
ꢀꢀꢀꢀꢀ
(1)式(1)中，(f
h
,f
w
)＝Split(δ(F1((z
h
,z
w
))))表示对空间信息在水平方向和垂直方向的特征图，其中，z
h
和z
w
分别表示沿水平坐标方向和垂直坐标方向池化后的特征图，F1表示将水平方向和垂直方向池化后特征图的连接操作，δ表示非线性激活函数，Split表示沿水平和垂直维度的切分操作；conv表示卷积操作，σ表示Sigmoid非线性激活函数，x
c
表示特征提取网络输出的特征图，y
c
表示通过坐标注意力机制加权后得到的特征图。3.根据权利要求1所述的一种红外图像弱小目标检测方法，其特征在于，所述利用所述视觉注意力机制特征提取网络对所述红外图像进行特征提取，得到不同尺度的特征图，具体包括：根据下式提取所述特征图：式(2)中，X表示输入的红外图像，conv
i
表示对红外图像进行特征提取的第i层卷积操作，x
c
表示经过多层卷积操作对红外图像提取的特征图；CA表示坐标注意力机制对特征图加权操作，y
c
表示通过坐标注意力机制加权后得到的特征图，n表示特征提取网络的层数。4.根据权利要求1所述的一种红外图像弱小目标检测方法，其特征在于，所述多尺度特征融合网络包括：上采样融合层和下采样融合层。
5.根据权利要求4所述的一种红外图像弱小目标检测方法，其特征在于，所述上采样融合层的计算公式如式(3)所示：式(3)中，x
i
表示视觉注意力机制特征提取网络的第i层特征图，up表示对特征图进行上采样的操作，cat表示将特征图在特征通道上进行拼接，conv
i
表示将特征图拼接后进行特征提取的第i层卷积操作，p

【专利技术属性】
技术研发人员：陈震，时琦，张聪炫，葛利跃，胡卫明，卢锋，李兵，陈昊，李凌，黎明，
申请(专利权)人：南昌航空大学，
类型：发明
国别省市：